本發(fā)明屬于夜間目標(biāo)檢測方法技術(shù)領(lǐng)域，具體涉及一種基于單目視覺的夜間前方車輛檢測方法。

背景技術(shù)：

汽車的飛躍式增長，加劇了道路交通事故的發(fā)生，特別是夜間交通事故的頻發(fā)，給人們的生命財(cái)產(chǎn)帶來巨大的損失?；谝曈X的目標(biāo)檢測技術(shù)為夜間交通場景目標(biāo)檢測提供了可能，由于多目(包含雙目)視覺系統(tǒng)相鄰幀間特征點(diǎn)匹配計(jì)算量大，當(dāng)車輛數(shù)目較多時(shí)，實(shí)時(shí)性差，所以基于單目視覺的車輛檢測技術(shù)應(yīng)運(yùn)而生。然而，現(xiàn)有的基于單目視覺的車輛檢測技術(shù)大多適應(yīng)于白天交通環(huán)境，由于夜間駕駛環(huán)境變差導(dǎo)致夜間交通事故較白天更為頻發(fā)，因此，研究基于單目視覺的夜間前方車輛檢測方法對于改善駕駛環(huán)境，減少交通事故具有重要的意義。

夜晚光照條件差，車輛的外形特征很難被檢測到，夜間車輛最顯著的特征是高亮度的車燈，因此，大多夜間車輛檢測方法都是通過檢測車燈從而檢測車輛的。Junbin Guo等人統(tǒng)計(jì)300幅不同環(huán)境下尾燈亮度的分布，使用最大類間方差法(Otsu)確定最佳分割閾值，并根據(jù)HSV顏色空間的紅色閾值剔除非尾燈目標(biāo)，最后進(jìn)行基于位置、面積等先驗(yàn)知識的尾燈配對。

Wei Zhang等人基于光散射衰減模型得出車頭燈的反射灰度圖和反射抑制圖，作為馬爾科夫隨機(jī)場的輸入向量，但是如果車輛距離攝像頭很近，反射系數(shù)很難計(jì)算。

Jiann-Der Lee等人使用LoG算子和光散射模型得出車燈區(qū)域并使用光流法對車輛進(jìn)行跟蹤，使用LoG算子，解決了近距離車輛難檢測的問題。

O’Malley等人基于HSV顏色空間提出紅色閾值分割方法，并根據(jù)互相關(guān)性系數(shù)驗(yàn)證車燈的對稱性及使用卡爾曼濾波進(jìn)行跟蹤，但是只根據(jù)互相關(guān)性系數(shù)進(jìn)行車燈配對，誤差較大。

Naoya Kosaka等人采用雙層中心環(huán)繞濾波器來近似LoG算子，篩選出響應(yīng)值高的特征點(diǎn)，再對特征點(diǎn)使用支持向量機(jī)(SVM)進(jìn)行分類，并通過車道線檢測及運(yùn)動軌跡排除噪聲點(diǎn)，檢測出車燈正確率高，但進(jìn)行配對時(shí)只根據(jù)濾波器響應(yīng)值一致的原則，致使配對誤差較大。

Hulin Kuang等人使用EdgeBoxes尋找多尺度Retinex增強(qiáng)后圖像中得分較高的感興趣區(qū)域(ROI)，提取ROI5個特征后，由SVM訓(xùn)練每個特征的權(quán)重，修改最終得分，得分高的ROI則為車輛。該方法不需要進(jìn)行車燈配對，減少了一些誤差，但是對于昏暗的交通場景，增強(qiáng)算法不是很有效，得出的ROI準(zhǔn)確度也隨之下降。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于單目視覺的夜間前方車輛檢測方法，解決了現(xiàn)有夜間車輛檢測方法中，配對誤差較大，檢測目標(biāo)不準(zhǔn)確的問題。

本發(fā)明一種基于單目視覺的夜間前方車輛檢測方法所采用的技術(shù)方案是，包括以下步驟：

步驟1，采集圖像，基于CenSurE算子對夜間前方車輛進(jìn)行車燈檢測，得到強(qiáng)角點(diǎn)；

步驟2，基于車燈顏色信息進(jìn)行夜間前方車輛的分割，得到分割區(qū)域；

步驟3，選擇步驟2的分割區(qū)域中占有步驟1的強(qiáng)角點(diǎn)最多的區(qū)域，得到檢測區(qū)域；

步驟4，對步驟3中的檢測區(qū)域進(jìn)行車燈配對，確定目標(biāo)車輛的位置。

本發(fā)明的特征還在于，

步驟1的操作步驟具體為：

步驟1.1，拍照采集圖像，根據(jù)采集圖像計(jì)算對應(yīng)的積分圖的值，積分圖中任一點(diǎn)I(x，y)的值均為原圖像中對應(yīng)位置左上角區(qū)域所有值的總和，如式(1)，

步驟1.2，構(gòu)造CenSurE濾波器對積分圖進(jìn)行對數(shù)尺度采樣，

將任一點(diǎn)I(x，y)的值表示的尺度空間分成三組，其中，第一組中每層的CenSurE濾波器內(nèi)核大小依次增加2，第二組中每層的CenSurE濾波器內(nèi)核大小依次增加4，第三組中每層的CenSurE濾波器內(nèi)核大小依次增加8，每一組中均選擇5層尺度圖像，CenSurE濾波器外核大小也按照上述方式進(jìn)行計(jì)算；

即CenSurE濾波器的內(nèi)核尺寸應(yīng)滿足(2n+1)×(2n+1)，外核尺寸應(yīng)滿足(4n+1)×(4n+1)，為了使濾波器的DC響應(yīng)為零，對尺度空間歸一化，則內(nèi)核的權(quán)重系數(shù)I_n應(yīng)滿足式(2)，

外核的權(quán)重系數(shù)O_n應(yīng)滿足式(3)

當(dāng)外核包含的像素值總和為out_value，內(nèi)核包含的像素值總和為in_value，則像素濾波響應(yīng)值L滿足式(4)，

L＝O_n·out_value-I_n·in_value， (4)

步驟1.3，對步驟1.2中的尺度空間進(jìn)行極值檢測，

將經(jīng)過步驟1.2處理的圖像，按照式(4)計(jì)算圖像中每個尺度空間的像素濾波響應(yīng)值，然后在尺度空間上進(jìn)行進(jìn)行非極大值抑制，并記錄極值點(diǎn)；

步驟1.4，對步驟1.3中的極值點(diǎn)進(jìn)行濾除不穩(wěn)定特征點(diǎn)，

L_x和L_y為像素濾波響應(yīng)值L在x和y方向的偏導(dǎo)，對L_x、L_y、L_xL_y進(jìn)行高斯濾波，獲得Harris矩陣特征值，如果較小的特征值大于自適應(yīng)閾值t，則得到強(qiáng)角點(diǎn)。

步驟2的操作步驟具體為，將步驟1采集的圖像由RGB空間轉(zhuǎn)換到HSV顏色空間，使用紅色閾值分割出的所有區(qū)域，使用白色閾值分割出的所有區(qū)域中位于左側(cè)1/3的區(qū)域，共同作為HSV顏色空間分割的結(jié)果，

H表示色調(diào)，其中紅色閾值的H≥340°或H≤30°，白色閾值的H為0°～360°；S表示飽和度，紅色閾值的S≤30，白色閾值的S≤20；V表示色彩的明度，紅色閾值和白色閾值均取80≤V≤100。

步驟4的車燈配對的操作步驟具體為，假設(shè)L_i、L_j為兩候選車燈，面積分別為A_i、A_j，車燈中心的圖像坐標(biāo)為(x_i,y_i)、(x_j,y_j)，配對約束條件如下：

a.當(dāng)兩候選車燈高度一致，既兩車燈縱坐標(biāo)應(yīng)滿足式(5)

|y_i-y_j|＜Δh， (5)

b.當(dāng)兩候選車燈水平方向距離在一定范圍內(nèi)，應(yīng)滿足式(6)

Δw₁＜|x_i-x_j|＜Δw₂， (6)

c.當(dāng)兩候選車燈面積一致，應(yīng)滿足式(7)

|A_i-A_j|＜ΔA， (7)

式(5)中Δh為高度差閾值，式(6)中Δw₁和Δw₂為水平差閾值，式(7)中ΔA為面積差閾值，滿足配對約束條件，配對完成后得到車燈對應(yīng)的外接矩形框應(yīng)滿足寬高比在一定范圍內(nèi)，滿足式(8)，

其中，x_i,left、x_j,right分別為區(qū)域的最左邊和最右邊坐標(biāo)，y_i,top、y_j,bottom為區(qū)域的最上邊和最下邊坐標(biāo)，Δration為框的寬高比閾值。

步驟1.3中的非極大值抑制的具體步驟為：尺度空間中的每個點(diǎn)與其26個相鄰點(diǎn)，其中26個相鄰點(diǎn)包括位于中間的檢測點(diǎn)和其同尺度的8個相鄰點(diǎn)，以及上下相鄰尺度對應(yīng)的9×2個點(diǎn)進(jìn)行比較，然后記錄極值點(diǎn)。

步驟1.4中的自適應(yīng)閾值使用多級Otsu方法獲取，其具體步驟為：

在灰度直方圖中，設(shè)f_i為灰度級為i的像素點(diǎn)個數(shù)，N為像素點(diǎn)總數(shù)，則N滿足式(9)

N＝f₀+f₁+…+f_l-1， (9)

其中l(wèi)為直方圖個數(shù)，l＝1，2，3，4……，

則灰度級為i的像素點(diǎn)個數(shù)f_i的分布概率P_i為式(10)，

使用k個閾值T＝{t₁,…,t_n,…,t_k}，將圖像分為k+1個類別，類間方差V_BC(T)為式(11)

其中，式(11)μ_n為k＝n時(shí)的灰度均值，μ_T為總體的灰度均值，w_n和μ_n的值如式(12)，

類內(nèi)方差v_WC(T)為式(13)

其中，式(13)中σ_n為k＝n時(shí)的灰度方差，w_n和σ_n的值如式(14)

將式(9)～式(14)聯(lián)合，得出圖像的總方差v_T和圖像的總均值μ_T，為式(15)

定義圖像的分割因子SF為式(16)，

當(dāng)SF>0.9時(shí)，停止分類，取此時(shí)的t_k為自適應(yīng)閾值。

本發(fā)明的有益效果是：本發(fā)明一種基于單目視覺的夜間前方車輛檢測方法通過采用計(jì)算多尺度下的CenSurE算子，然后檢測其結(jié)果，可進(jìn)行車輛配對的運(yùn)算，不僅解決了夜間車輛車燈檢測方法中，配對誤差較大，檢測目標(biāo)不準(zhǔn)確的問題，又很好的應(yīng)用價(jià)值。

附圖說明

圖1是本發(fā)明CenSurE濾波器的內(nèi)核和外核的結(jié)構(gòu)圖；

圖2是區(qū)域像素和計(jì)算示意圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明進(jìn)行詳細(xì)說明。

本發(fā)明一種基于單目視覺的夜間前方車輛檢測方法，包括以下步驟：

步驟1，采集圖像，基于CenSurE算子對夜間前方車輛進(jìn)行車燈檢測，得到強(qiáng)角點(diǎn)；

步驟2，基于車燈顏色信息進(jìn)行夜間前方車輛的分割，得到分割區(qū)域；

步驟3，選擇步驟2的分割區(qū)域中占有步驟1的強(qiáng)角點(diǎn)最多的區(qū)域，得到檢測區(qū)域；

步驟4，對步驟3中的檢測區(qū)域進(jìn)行車燈配對，確定目標(biāo)車輛的位置。

步驟1的操作步驟具體為：

步驟1.1，拍照采集圖像，根據(jù)采集圖像計(jì)算對應(yīng)的積分圖的值，積分圖中任一點(diǎn)I(x，y)的值均為原圖像中對應(yīng)位置左上角區(qū)域所有值的總和，如式(1)，

步驟1.2，構(gòu)造CenSurE濾波器，對積分圖進(jìn)行對數(shù)尺度采樣，目的是為了提高局部極值點(diǎn)的穩(wěn)定性，如圖1所示，CenSurE濾波器采用正方形核，正方形核計(jì)算效率最高，滿足了實(shí)時(shí)性要求，積分圖構(gòu)造好后，圖像中任何矩陣區(qū)域的像素累加和都可以通過簡單運(yùn)算得到，如圖2所示，

將任一點(diǎn)I(x，y)的值表示的尺度空間分成三組，每一組中均選擇5層尺度圖像，其中，第一組中每層的CenSurE濾波器內(nèi)核大小依次增加2，選取濾波器內(nèi)核，其大小依次為3×3、5×5、7×7、9×9和11×11，第二組中每層的CenSurE濾波器內(nèi)核大小依次增加4，選取濾波器內(nèi)核，其大小依次為7×7、11×11、15×15、19×19和23×23，第三組中每層的CenSurE濾波器內(nèi)核大小依次增加8，選取濾波器內(nèi)核，其大小依次為15×15、23×23、31×31、39×39、47×47，CenSurE濾波器外核大小也按照上述方式進(jìn)行計(jì)算；

即CenSurE濾波器的內(nèi)核尺寸應(yīng)滿足(2n+1)×(2n+1)，外核尺寸應(yīng)滿足(4n+1)×(4n+1)，為了使濾波器的DC響應(yīng)為零，對尺度空間歸一化，則內(nèi)核的權(quán)重系數(shù)I_n應(yīng)滿足式(2)，

外核的權(quán)重系數(shù)O_n應(yīng)滿足式(3)

當(dāng)外核包含的像素值總和為out_value，內(nèi)核包含的像素值總和為in_value，則像素濾波響應(yīng)值L滿足式(4)，

L＝O_n·out_value-I_n·in_value， (4)

步驟1.3，對步驟1.2中的尺度空間進(jìn)行極值檢測，

將經(jīng)過步驟1.2處理的圖像，按照式(4)計(jì)算圖像中每個尺度空間的像素濾波響應(yīng)值，然后在尺度空間上進(jìn)行非極大值抑制，并記錄極值點(diǎn)；

步驟1.4，對步驟1.3中的極值點(diǎn)進(jìn)行濾除不穩(wěn)定特征點(diǎn)，

為了得到穩(wěn)定的特征點(diǎn)，只根據(jù)閾值濾除弱響應(yīng)點(diǎn)是不夠的，因?yàn)闉V波器對圖像邊緣有比較強(qiáng)的響應(yīng)值，一旦特征點(diǎn)落在圖像的邊緣上，這些點(diǎn)就很不穩(wěn)定。由于邊緣或線上的特征點(diǎn)在平行方向上具有較大主曲率而在垂直方向上具有較小主曲率，利用尺度自適應(yīng)的Harris方法計(jì)算主曲率比例H去除不穩(wěn)定響應(yīng)點(diǎn)，如下式所示，

L_x和L_y為像素濾波響應(yīng)值L在x和y方向的偏導(dǎo)，對主曲率比例H進(jìn)行高斯濾波，獲得Harris矩陣特征值，如果較小的特征值大于自適應(yīng)閾值t，則得到強(qiáng)角點(diǎn)。

由于車頭燈和車尾燈分別高亮白色和紅色，因此需分割出圖像的紅色和白色區(qū)域，則步驟2的操作步驟具體為，將步驟1采集的圖像由RGB空間轉(zhuǎn)換到HSV顏色空間，使用閾值分割紅色和白色區(qū)域，由經(jīng)驗(yàn)可知，相向而來的車輛，一般出現(xiàn)在圖像的左側(cè)，檢測車頭燈，同向行駛的車輛檢測車尾燈，將紅色閾值分割出的所有區(qū)域，白色閾值分割出的所有區(qū)域中位于左側(cè)1/3的區(qū)域，共同作為HSV顏色空間分割的結(jié)果，

H表示色調(diào)，其中紅色閾值的H≥340°或H≤30°，白色閾值的H為0°～360°；S表示飽和度，紅色閾值的S≤30，白色閾值的S≤20；V表示色彩的明度，紅色閾值和白色閾值均取80≤V≤100。

步驟4的車燈配對的操作步驟具體為，假設(shè)L_i、L_j為兩候選車燈，面積分別為A_i、A_j，車燈中心的圖像坐標(biāo)為(x_i,y_i)、(x_j,y_j)，配對約束條件如下：

a.當(dāng)兩候選車燈高度一致，既兩車燈縱坐標(biāo)應(yīng)滿足式(5)

|y_i-y_j|＜Δh， (5)

b.當(dāng)兩候選車燈水平方向距離在一定范圍內(nèi)，應(yīng)滿足式(6)

Δw₁＜|x_i-x_j|＜Δw₂， (6)

c.當(dāng)兩候選車燈面積一致，應(yīng)滿足式(7)

|A_i-A_j|＜ΔA， (7)

式(5)中Δh為高度差閾值，式(6)中Δw₁和Δw₂為水平差閾值，式(7)中ΔA為面積差閾值，滿足配對約束條件，配對完成后得到車燈對應(yīng)的外接矩形框應(yīng)滿足寬高比在一定范圍內(nèi)，滿足式(8)，

其中，x_i,left、x_j,right分別為區(qū)域的最左邊和最右邊坐標(biāo)，y_i,top、y_j,bottom為區(qū)域的最上邊和最下邊坐標(biāo)，Δration為框的寬高比閾值。

式(7)～(8)中，由于日常生活經(jīng)驗(yàn)，將Δh取10像素，Δw₁取20像素，Δw₂取50像素，ΔA取30像素，Δration取10像素進(jìn)行運(yùn)算配對。

步驟1.3中的非極大值抑制的具體步驟為：尺度空間中的每個點(diǎn)與其26個相鄰點(diǎn)，其中26個相鄰點(diǎn)包括位于中間的檢測點(diǎn)和其同尺度的8個相鄰點(diǎn)，以及上下相鄰尺度對應(yīng)的9×2個點(diǎn)進(jìn)行比較，然后記錄極值點(diǎn)。

步驟1.4中的自適應(yīng)閾值使用多級Otsu方法獲取，其具體步驟為：

在灰度直方圖中，設(shè)f_i為灰度級為i的像素點(diǎn)個數(shù)，N為像素點(diǎn)總數(shù)，則N滿足式(9)

N＝f₀+f₁+…+f_l-1， (9)

其中l(wèi)為直方圖個數(shù)，l＝1，2，3，4……，

則灰度級為i的像素點(diǎn)個數(shù)f_i的分布概率P_i為式(10)，

使用k個閾值T＝{t₁,…,t_n,…,t_k}，將圖像分為k+1個類別，類間方差V_BC(T)為式(11)

其中，式(11)μ_n為k＝n時(shí)的灰度均值，μ_T為總體的灰度均值，w_n和μ_n的值如式(12)，

類內(nèi)方差v_WC(T)為式(13)

其中，式(13)中σ_n為k＝n時(shí)的灰度方差，w_n和σ_n的值如式(14)

將式(9)～式(14)聯(lián)合，得出圖像的總方差v_T和圖像的總均值μ_T，為式(15)

定義圖像的分割因子SF為式(16)，

當(dāng)SF>0.9時(shí)，停止分類，取此時(shí)的t_k為自適應(yīng)閾值。

本發(fā)明的有益效果是：本發(fā)明通過采用計(jì)算多尺度下的CenSurE算子，然后檢測其結(jié)果，可進(jìn)行車輛配對的運(yùn)算，不僅解決了夜間車輛車燈檢測方法中，配對誤差較大，檢測目標(biāo)不準(zhǔn)確的問題，又很好的應(yīng)用價(jià)值。